基于快速确定隐层神经元数的BP神经网络算法

根据多项式理论构造一种以正交多项式作为隐层神经元激活函数的BP神经网络模型。针对该网络提出一种算法,即一种隐层的激励函数为正交多项式及其神经元数目可快速确定的算法。首先通过数学证明从理论上验证了该算法的有效性。然后利用计算机对该算法进行仿真与校验,并与传统的BP算法进行比较。结果表明该算法不仅突破了传统BP神经网络的局限性,如收敛速率慢、最佳隐神经元数难确定等,而且能够达到更高的工作精度,从而从实验上验证了该算法的有效性。

一种估计前馈神经网络中隐层神经元数目的新方法

前馈神经网络中隐层神经元的数目一般凭经验给出,这种方法往往造成隐单元数目的不足或过甚,从而导致网络存储容量不够或出现学习过拟现象.本研究提出了一种基于信息熵的估计三层前馈神经网络隐结点数目的方法,该方法首先利用训练集来训练具有足够隐单元数目的初始神经网络,然后计算训练集中能被训练过的神经网络正确识别的样本在隐层神经元的激活值.并对其进行排序,计算这些激活值的各种划分的信息增益,从而构造能将整个样本空间正确划分的决策树,最后遍历整棵树寻找重要的相关隐层神经元,并删除冗余无关的其它隐单元,从而估计神经网络中隐层神经元的较佳数目.文章最后以构造用于茶叶品质评定的具有较佳隐单元数目的神经网络为例,介绍本方法的使用.结果表明,本方法能有效估计前馈神经网络的隐单元数目.

BP网络隐层神经元数自调节算法的研究

针对传统BP算法中隐层神经元数不易选取的问题,本文提出了BP算法的改进模型———DBP(DoubleBP)网络模型.该模型可以动态自调节隐层神经元数,即通过一个给定先验知识的BP网络动态调节另一个BP网络中隐层神经元数,并且通过选取合适的权值和阈值使训练误差曲线迅速下降.解决了BP网络拓扑结构中隐层神经元个数以及新增加权值和阈值的选取问题,还对BP网络在陷入假饱和区如何逃逸提出了一种新的方法.最后通过仿真模拟取得了比较好的效果.

前馈神经网络中隐层神经元数目的一种直接估计方法

目前还没有一个行之有效的方法直接估计前馈网络隐层神经元的数目．该文首先提出一种利用单调指数直接估算三层前馈网络隐层神经元数目的方法，以保证网络近似逼近任意给定的训练数据．理论分析和计算实验表明，此方法能够在训练之前预先确定最优（最少）或接近最优的隐层神经元数目，使得网络在训练之后不仅可以较好地反映训练数据的变化趋势，而且有较为满意的逼近精度．

隐层神经元数对基于神经网络的自相关过程控制的影响

将传统修哈特控制图应用于自动化连续生产过程,经常会引发大量虚发报警。使用神经网络方法对存在相关性的连续生产过程进行研究时,取得了良好效果。本文在使用BP神经网络对自相关过程进行监控的基础之上,对隐层神经元数对于神经网络训练收敛性及识别率的影响进行分析研究。针对一定的输入层神经元数,选择合适的隐层神经元数将极大的改善网络的训练效果并提高网络的识别率。

优选人工神经网络隐层神经元数目的方法

在应用多层前向人工神经网络解决实际问题时,经常存在的一个问题是,不能合理地选择神经网络中隐层神经元的数目.针对这一问题,给出一种在多层前向人工神经网络的学习过程中,通过合并、舍弃和转化的方式,优选神经网络中隐层神经元数目的方法,从而达到优化网络结构的目的.

前向多层代数神经网络隐层神经元数目估计方法

结合目前估计前向三层神经网络隐层神经元数目的方法 ,提出一种向量不交关系来确定多层(层数 >3)前向代数神经网络隐层神经元的数目 ,该方法只须估计出第一隐层神经元的数目 ,其余各层神经数目利用不交关系的算法随之确定 ,通过多项式代数函数实例表明 。

用BP神经网络预测土壤入渗参数时隐层神经元数分析

为了用BP神经网络更准确地预测土壤入渗参数,分析了不同隐层神经元数下,预测值与实测值的关系曲线,以及在同一训练目标误差下,不同隐层神经元数、训练曲线的变化及能否达到训练目的,得出了最优隐层神经元数。隐层神经元数的确定,为土壤传输函数的研究奠定了基础。

可调激活函数神经元参数选取方法研究

隐层神经元采用相同的Sigmoid激活函数会限制神经网络的非线性能力,对Sigmoid函数引入两个参数可改善其响应特性,增强其非线性逼近能力。本文给出了一种可调Sigmoid激活函数,分析了可调激活函数中参数所表示的几何意义;给出提升网络维数的可调激活函数中参数的快速选取方法和理论基础。这为人们在采用可调Sigmoid激活函数解决实际问题时,如何快速选取激活函数中的参数提供了一种可行方法。

幂激励前向神经网络最优结构确定算法

针对一种以幂函数序列为各隐神经元激励函数的前向神经网络,提出了一种基于权值直接确定方法的网络最优结构确定算法。计算机仿真与验证结果表明,该算法能自动、快速、有效地确定网络的最优隐神经元数,达到网络的最佳逼近能力,从而实现网络结构的最优化。

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进:首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。

基于决策树算法确定一个最小神经网络

神经网络隐层神经元的个数对于网络的性能有着重要的影响,通常情况下,对于一个特定问题来说,没有一个确定的方法来决定隐含层到底应该有多少个神经元,一般采用试探的方法通过多次实验来达到理想效果。在分类问题中,决策树和神经网络的结构有着一定的关联性,通过把决策树映射到神经网络结构中来确定隐层神经元的个数的方法能够有效地设计神经网络的结构,从而提高训练的效率并达到良好的分类效果。实验结果表明,该方法能够得到一个有着良好识别率的最小神经网络。方法简单有效,直观且易于操作。

一种改进的RBF神经网络DOA估计方法

提出一种优化径向基函数神经网络来波方位(DOA)估计模型结构和参数的方法。利用误差准则函数的收敛性,合理确定模型的隐层神经元数目,根据阵列信号相位差特征的空间分布特点,选择具有代表性的隐层神经元的中心,构建的RBF神经网络更能反映阵列的测向能力。相比于目前的径向基函数神经网络测向模型的构建方法,改进的DOA估计模型具有更好的泛化性能,能够提高测向精度。实验结果验证了该方法的有效性。

图像制导中的一种改进增量学习RBF神经网络

为改进现有人工神经网络在图像制导系统的自动目标识别算法中的不足,加快收敛速度,通过对基于RBF神经网络自动目标识别技术的研究,提出以隐层神经元价值函数作为指标的生长修剪策略,构造出一种基于增量学习的网络资源分配网络(IL-RAN),对目标进行了在线实时识别。仿真结果表明,利用该改进算法可产生规模较小的网络,并使得网络参数的选择与识别误差建立了联系,减少了总体的计算量,计算时间也大大缩短。

弱信号检测的神经网络方法

国内外正在兴起的神经网络研究热潮,已经广泛地渗透到各个领域。本文讨论了用人工神经网络实现弱信号检测的原理和方法,这种新方法优于传统的统计检测技术,是一个值得深入研究的课题。

基于深度神经网络的大学生就业情况分析与推荐

随着高等教育的普及化,高校内大学生数量与日俱增,与此同时大学生的就业情况也备受瞩目。由于学生数量众多,且个人的就业偏向和特点不同,这对大学辅导员为学生记性就业指导带来了一定的困难。本文依据现有的机器学习方法,结合现有数据,对大学生就业情况进行了分析并给出推荐结果。文章首先收集了3000份学生数据,数据包括了个人爱好,学科成绩,就业偏向的样本特征,采用机器学习算法对样本数据集进行仿真分析。利用机器学习的方法,可以大大提高推荐效率,且实验验证表明,本文设计的模型推荐准确率极高。

基于BP网络的汽车动态称重数据处理方法

针对目前汽车动态称重数据处理中一般方法普遍适用性较差的问题,利用具有良好的自我学习能力的BP网络,对大量实测数据进行训练并检验,效果较好。文章先对BP网络的算法应用于汽车动态称重做了详细介绍,后面针对实际处理情况,对BP网络中隐层神经元个数和实际输入量的选择做了理论分析。

基于新型智能算法ELM的滑坡变形位移预测

针对采用经典智能算法进行滑坡变形预测时存在学习速度慢、网络结构参数选取复杂等问题,构建了基于新型智能算法ELM(Extreme Learning Machine)的滑坡位移预测模型,采用二值区间搜索算法选定最佳隐层神经元个数和激励函数,并融入数据滚动建模思想,以期提高网络泛化能力和预测精度。以链子崖、古树屋两滑坡体为例,将ELM与经典智能算法LMBP、RBF的预测效果进行对比,算例结果表明:ELM算法具有较高的预测精度,且在网络学习速度等方面优势明显。

短时交通流预测模型的网络结构估计

针对神经网络预测模型在预测短时交通流时输入变量选取与隐含神经元数目确立上的不足,提出了一种数据驱动的快速网络结构估计算法。根据交通流的混沌特性,引入相空间重构的思想合理地选择模型的输入变量;再结合快速单调指数估计法迅速计算重构向量的单调指数,并将其值作为隐层神经元个数,继而确立整个预测模型的网络结构。实验结果表明,该算法能有效地估计模型的网络结构以满足短时交通流预测的需要。

三种智力作业下的脑电信号分类研究

为了识别三种智力作业下的 EEG信号 ,用 AR模型表示 EEG信号 ,用含一个隐层的前馈型神经网络作分类器 ,用误差弹性反传法训练网络 ,用重叠交互确认方式防止过拟合并对分类结果进行了测试。结果显示 ,测试集的平均正确率为 76.7%。